机器学习预测离心SHS合成陶瓷涂层密度与硬度的创新研究及其工程应用

为解决陶瓷涂层密度和硬度预测的优化难题，N. Radhika团队采用CatBoost、BR等6种ML模型，通过特征工程和Gaussian噪声增强技术，成功实现R2达0.93的精准预测，误差低于5%，为C-SHS工艺参数优化提供数据驱动新范式。

　　

在工业管道、航空航天等领域，钢制部件的耐磨耐腐蚀性能直接决定设备寿命。传统陶瓷涂层技术如等离子喷涂存在厚度受限、能耗高等缺陷，而离心自蔓延高温合成（C-SHS）技术虽能制备厚达3mm的Al₂O₃涂层，但其工艺参数（如转速、添加剂比例）的优化长期依赖试错法，导致研发周期长、成本高昂。如何精准预测涂层性能成为突破技术瓶颈的关键。

印度阿姆里塔 Vishwa Vidyapeetham 大学机械工程系的N. Radhika团队在《Results in Engineering》发表研究，首次系统评估了6种机器学习模型对C-SHS陶瓷涂层密度和硬度的预测效能。研究人员通过高斯噪声增强将30组实验数据扩增至60组，结合SHAP分析揭示转速和添加剂含量（wt.%）是影响性能的核心参数。Bagging回归（BR）模型以R² 0.91（密度）和0.93（硬度）的优异表现脱颖而出，实验验证误差仅3.38%-4.97%，为工艺优化提供高精度计算工具。

关键技术包括：1）从40篇文献提取40组C-SHS涂层数据构建特征矩阵；2）采用5折交叉验证防止过拟合；3）随机搜索优化BR超参数（200个决策树，最大深度3）；4）通过SEM/XRD表征验证预测结果。

研究结果显示：

1. 特征工程分析：Pearson相关系数证明转速与密度（r=0.82）、硬度（r=0.79）呈强正相关，4wt.% SiO₂添加剂使Al₂O₃枝晶尺寸从11.3μm细化至7.7μm。

2. 模型对比：BR在50次重复验证中稳定性最佳，其MAE（0.06密度/40.06硬度）显著低于XGBoost（0.08/58.12），p<0.05的t检验证实差异显著性。

3. 实验验证：2200rpm+4wt.%参数组合下，实测密度3.71g/cm³与预测值误差3.38%，SEM显示Fe过渡层与陶瓷层形成冶金结合。

该研究开创性地将集成学习应用于C-SHS涂层开发，其BR模型可快速输出最优工艺组合，较传统方法节省90%实验成本。预测系统已成功指导制备1585HV高硬度涂层，适用于石油管道等严苛环境。未来可扩展至磨损率、结合强度等多性能同步预测，推动智能材料设计进入新阶段。